Casos Falsos Perfiles en Instagram
Programa de Ciencia de Datos
Departamento de Matemáticas
Universidad Externado de Colombia
En este ejemplo queremos mostrarles un modelo para identificar perfiles falsos en Instagram
Porqué es importante:
Puede afectar la reputación de la empresa.
Hacer perder dinero a usuarios que ven sus cuentas falsificadas
Evitar el acoso virtual.
Dar un mejor manejo a las noticias falsas.
Evita que la compañia pierda dinero bajando los costos de operación.
Usaremos la base de datos del censo para crear una pantalla de datos que resuma el contenido de la base y nos permita tener una mejor visualización.
Las etapas son:
Conocer el contexto de los datos y la problemática a resolver.
Recolectar y procesar los datos
Hacer un análisis exploratorio de los datos.
Establecer el mejor modelo para resolver el problema.
Ajustar el modelo.
Validar los resultados.
Intepretar y analizar los resultados.
import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
import plotly.express as px
file_name = "https://raw.githubusercontent.com/Andres1984/Data-Analysis-with-R/master/Bases/atest.csv"
atest = pd.read_csv(file_name)
file_name = "https://raw.githubusercontent.com/Andres1984/Data-Analysis-with-R/master/Bases/atrain.csv"
atrain = pd.read_csv(file_name)
Acá se puede observar la base de datos original. Observe atentamente los nombres y valores.
Seguramente podrá ver que es muy difícil hacerse una idea de la utilidad que tiene esta base de datos.
Lo primero que vamos a hacer es generar un reporte de gráficos que me permita conocer un poco más acerca de las variables y sus relaciones.
atest
| profile pic | nums/length username | fullname words | nums/length fullname | name==username | description length | external URL | private | #posts | #followers | #follows | fake | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 1 | 0.33 | 1 | 0.33 | 1 | 30 | 0 | 1 | 35 | 488 | 604 | 0 |
| 1 | 1 | 0.00 | 5 | 0.00 | 0 | 64 | 0 | 1 | 3 | 35 | 6 | 0 |
| 2 | 1 | 0.00 | 2 | 0.00 | 0 | 82 | 0 | 1 | 319 | 328 | 668 | 0 |
| 3 | 1 | 0.00 | 1 | 0.00 | 0 | 143 | 0 | 1 | 273 | 14890 | 7369 | 0 |
| 4 | 1 | 0.50 | 1 | 0.00 | 0 | 76 | 0 | 1 | 6 | 225 | 356 | 0 |
| ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
| 115 | 1 | 0.29 | 1 | 0.00 | 0 | 0 | 0 | 0 | 13 | 114 | 811 | 1 |
| 116 | 1 | 0.40 | 1 | 0.00 | 0 | 0 | 0 | 0 | 4 | 150 | 164 | 1 |
| 117 | 1 | 0.00 | 2 | 0.00 | 0 | 0 | 0 | 0 | 3 | 833 | 3572 | 1 |
| 118 | 0 | 0.17 | 1 | 0.00 | 0 | 0 | 0 | 0 | 1 | 219 | 1695 | 1 |
| 119 | 1 | 0.44 | 1 | 0.00 | 0 | 0 | 0 | 0 | 3 | 39 | 68 | 1 |
120 rows × 12 columns
Esta base de datos contiene la información histórica de las cuentas de Instagram
Uno de los problemas usuales es la cantidad de cuentas falsas que aparecen constantemente.
Con la siguiente información, se intentará predecir si una cuenta es falsa o no.
Alguna variables son:
profile pic: Si tiene foto de perfil 1 para si 0 para no.
nums/length username: Proporción de letras usadas para el usuario. Está entre 0 y 1
fullname words: # palabras para el nombre.
nums/length fullname:Proporción de letras usadas para el nombre. Está entre 0 y 1
name==username: Si el nombre es igual al usuario.
description length: Descripción cuenta.
external URL: Tiene dirección web Si 1, no 0.
private: Es privado si 1 no 0.
#posts: # de post.
#followers: # de seguidores.
#follows: # de personas a quien sigue.
fake: Si la cuenta es falsa Si 1, No 0.
Lo primero que se debe hacer, es observar como se relacionan las variables y como se pueden organizar.
A continuación usted vera dos formas de crear reportes. La primera la puede observar haciendo click aqui
La segunda se puede observar sobre este documento. El objetivo de estos reportes es observar que hay en la base de datos de forma resumida e interactiva.
import pandas as pd
df_one = pd.get_dummies(atrain["fake"], drop_first=True)
df_two = pd.concat((df_one, atrain), axis=1)
df_two = df_two.drop(["fake"], axis=1)
df_sw = df_two.rename(columns={1: "fake"})
#!pip install sweetviz
import sweetviz
my_report = sweetviz.analyze([df_sw, "atrain"],target_feat='fake')
my_report.show_html('ReportSweetviz.html')
| | [ 0%] 00:00 -> (? left)
Report ReportSweetviz.html was generated! NOTEBOOK/COLAB USERS: the web browser MAY not pop up, regardless, the report IS saved in your notebook/colab files.
from dataprep.eda import create_report
create_report(atrain)
0%| | 0/1793 [00:00<?, ?it/s]